Googles neues Transkriptionsmodell schreibt nicht auf, was Sie gesagt haben, sondern was Sie meinten — in 85 Sprachen

Google hat Gemini 3.5 Transcribe veröffentlicht, ein Sprache-zu-Text-Modell auf Basis von Geminis Audioverständnis, derzeit als öffentliche Vorschau. Es erkennt automatisch mehr als 85 Sprachen, folgt Sprechenden, die mitten im Satz die Sprache wechseln, trennt bis zu drei Stimmen und liefert Zeitstempel auf Wortebene. Was es von gewöhnlichem Diktat unterscheidet, nennt Google Smart Transcription: Es entfernt Füllwörter, repariert Selbstkorrekturen und formatiert den Text im Lauf, sodass das Ergebnis wie sauberer Fließtext liest statt wie ein wörtliches Protokoll der Aufnahme. Es lässt sich zudem auf ein eigenes Vokabular für Fachbegriffe hin gewichten und kann mitten in der Transkription Funktionen aufrufen, um Aufgaben zu übergeben. Google nennt eine Wortfehlerrate von 2,6 Prozent bei aufgezeichnetem Audio und 4,0 Prozent im Streaming, im mehrsprachigen FLEURS-Benchmark 5,04 beziehungsweise 5,50 Prozent, bei rund 70 Prozent geringerer Latenz als beim Vorgänger Chirp 3. Verfügbar ist es über die Gemini-API in Google AI Studio und der Gemini Enterprise Agent Platform, in Gboards Rambler unter Android und in der Gemini-App für macOS; Chrome-Unterstützung soll folgen.

✓ Verifiziert · 4 Quellen

Verwandte Meldungen